EJERCICIO 1

Apartado a)

tab01a <- multicriterio.crea.matrizvaloraciones(c(1,0,1,
                                              1,1,1,
                                              0,0,1), numalternativas = 3)
  • Método de construcción de la función de utilidad “Maximal”
(sol01a <- multicriterio.constfuncutilidad.maximales(tab01a)) # suma por filas
## a1 a2 a3 
##  2  3  1

Cuánto más alto mejor, por lo tanto nos está diciendo que la mejor alternativa sería a2. La siguiente es la a1 y la peor es a 3. Ahora ordenamos de mejor a peor:

sort(sol01a, decreasing = T)
## a2 a1 a3 
##  3  2  1
  • Método de construcción de la función de utilidad “Borroso”
(sol01aBor <- multicriterio.constfuncutilidad.estructuraborrosa(tab01a)) #calculo del flujo neto
## a1 a2 a3 
##  0  2 -2
sort(sol01aBor, decreasing = T)
## a2 a1 a3 
##  2  0 -2

La mejor es la alternativa 2

Apartado b)

tab01b <- multicriterio.crea.matrizvaloraciones(c(1,0,1,
                                              1,1,1,
                                              1,0,1), numalternativas = 3)
  • Método de construcción de la función de utilidad “Maximal”.
(sol01b <- multicriterio.constfuncutilidad.maximales(tab01b)) # suma por filas
## a1 a2 a3 
##  2  3  2
sort(sol01b, decreasing = T)
## a2 a1 a3 
##  3  2  2

La mejor es la alternativa 2

  • Método de construcción de la función de utilidad “Borroso”
(sol01bBor <- multicriterio.constfuncutilidad.estructuraborrosa(tab01b)) #calculo del flujo neto
## a1 a2 a3 
## -1  2 -1
sort(sol01bBor, decreasing = T)
## a2 a1 a3 
##  2 -1 -1

La mejor es la alternativa 2

Apartado c)

tab01c <- multicriterio.crea.matrizvaloraciones(rep(1,9), numalternativas = 3)
  • Método de construcción de la función de utilidad “Maximal”.
(sol01c <- multicriterio.constfuncutilidad.maximales(tab01c)) # suma por filas
## a1 a2 a3 
##  3  3  3
sort(sol01c, decreasing = T)
## a1 a2 a3 
##  3  3  3

Cualquiera de los 3 es la mejor alternativa

  • Método de construcción de la función de utilidad “Borroso”
(sol01cBor <- multicriterio.constfuncutilidad.estructuraborrosa(tab01c)) #calculo del flujo neto
## a1 a2 a3 
##  0  0  0
sort(sol01cBor, decreasing = T)
## a1 a2 a3 
##  0  0  0

Cualquiera de los 3 es la mejor alternativa

Apartado d)

tab01d <- multicriterio.crea.matrizvaloraciones(c(1,1,1,0,1,
                                                  0,1,0,0,1,
                                                  1,0,1,0,1,
                                                  1,1,1,1,0,
                                                  0,0,0,0,1), numalternativas = 5)
  • Método de construcción de la función de utilidad “Maximal”.
(sol01d <- multicriterio.constfuncutilidad.maximales(tab01d)) # suma por filas
## a1 a2 a3 a4 a5 
##  4  2  4  5  1
sort(sol01d, decreasing = T)
## a4 a1 a3 a2 a5 
##  5  4  4  2  1

La mejor es la alternativa 4

  • Método de construcción de la función de utilidad “Borroso”
(sol01dBor <- multicriterio.constfuncutilidad.estructuraborrosa(tab01d)) #calculo del flujo neto
## a1 a2 a3 a4 a5 
##  1 -1  0  3 -3
sort(sol01dBor, decreasing = T)
## a4 a1 a3 a2 a5 
##  3  1  0 -1 -3

La mejor es la alternativa 4

Apartado e)

tab01e <- multicriterio.crea.matrizvaloraciones(c(1,1,1,0,1,
                                                  0,1,0,0,1,
                                                  1,1,1,0,1,
                                                  1,1,1,1,0,
                                                  0,0,0,0,1), numalternativas = 5)
  • Método de construcción de la función de utilidad “Maximal”.
(sol01e <- multicriterio.constfuncutilidad.maximales(tab01e)) # suma por filas
## a1 a2 a3 a4 a5 
##  4  2  4  5  1
sort(sol01e, decreasing = T)
## a4 a1 a3 a2 a5 
##  5  4  4  2  1

La mejor es la alternativa 4

  • Método de construcción de la función de utilidad “Borroso”
(sol01eBor <- multicriterio.constfuncutilidad.estructuraborrosa(tab01e)) #calculo del flujo neto
## a1 a2 a3 a4 a5 
##  1 -2  1  3 -3
sort(sol01eBor, decreasing = T)
## a4 a1 a3 a2 a5 
##  3  1  1 -2 -3

La mejor es la alternativa 4

EJERCICIO 2

Apartado a)

tab02a <- multicriterio.crea.matrizvaloraciones(c(0,0.4,0.7,
                                                  0.2,0,0.5,
                                                  0.3,0.6,0), numalternativas = 3)
  • Método de construcción de la función de utilidad “Maximal”.
(sol02a <- multicriterio.constfuncutilidad.maximales(tab02a)) # suma por filas
## a1 a2 a3 
##  3  1  2
sort(sol02a, decreasing = T)
## a1 a3 a2 
##  3  2  1

La mejor es la alternativa 1

  • Método de construcción de la función de utilidad “Borroso”
(sol02aBor <- multicriterio.constfuncutilidad.estructuraborrosa(tab02a)) #calculo del flujo neto
##   a1   a2   a3 
##  0.6 -0.3 -0.3
sort(sol02aBor, decreasing = T)
##   a1   a2   a3 
##  0.6 -0.3 -0.3

La mejor es la alternativa 1

Apartado b)

tab02b <- multicriterio.crea.matrizvaloraciones(c(0,0.2,0.4,
                                                  0.9,0,0.8,
                                                  0.1,0.3,0), numalternativas = 3)
  • Método de construcción de la función de utilidad “Maximal”.
(sol02b <- multicriterio.constfuncutilidad.maximales(tab02b)) # suma por filas
## a1 a2 a3 
##  2  3  1
sort(sol02b, decreasing = T)
## a2 a1 a3 
##  3  2  1

La mejor es la alternativa 2

  • Método de construcción de la función de utilidad “Borroso”
(sol02bBor <- multicriterio.constfuncutilidad.estructuraborrosa(tab02b)) #calculo del flujo neto
##   a1   a2   a3 
## -0.4  1.2 -0.8
sort(sol02bBor, decreasing = T)
##   a2   a1   a3 
##  1.2 -0.4 -0.8

La mejor es la alternativa 2

EJERCICIO 3

tab03 <- multicriterio.crea.matrizdecision(c(100,15,7,40,50,
                                             200,25,7,60,200,
                                             100,20,4,25,25,
                                             200,30,20,70,350,
                                             250,25,25,100,500), numalternativas = 5, numcriterios = 5)

Apartado a)

Vamos a homogeneizar las columnas de la tabla de decisión por el método Nadir

sol03a <- round(multicriterio.homogeneizacion.nadir(tab03), 4)

Apartado b)

Vamos a homogeneizar las columnas de la tabla de decisión por el método Ptomethee

sol03b <- round(multicriterio.homogeneizacion.promethee(tab03,
                                                        v.delta.min = c(30,3,4,20,100),
                                                        v.delta.max = c(120,12,10,60,400)), 4)

EJERCICIO 4

Funciones de clase

Introducción datos

#matriz criterios
tab1 <- multicriterio.crea.matrizvaloraciones_mej(c(2), numalternativas = 2,
                                                  v.nombres.alternativas = c("Rendimiento",
                                                                             "Riesgo"))

#matriz rendimiento
tab2 <- multicriterio.crea.matrizvaloraciones_mej(c(3), numalternativas = 2,
                                                  v.nombres.alternativas = c("A","B"))

#matriz riesgo
tab3 <- multicriterio.crea.matrizvaloraciones_mej(c(1/2), numalternativas = 2,
                                                  v.nombres.alternativas = c("A","B"))

Cálculo pesos locales

Método mayor autovalor

pes1 <- multicriterio.metodoAHP.variante1.autovectormayorautovalor(tab1)
pes2 <- multicriterio.metodoAHP.variante1.autovectormayorautovalor(tab2)
pes3 <- multicriterio.metodoAHP.variante1.autovectormayorautovalor(tab3)

Cálculo pesos globales

tab04 <- multicriterio.metodoAHP.pesosglobales_entabla(pes1$valoraciones.ahp,
                                                       rbind(pes2$valoraciones.ahp,
                                                             pes3$valoraciones.ahp))

La mejor decisión es la alternativa A (peso global del 61,11%)

which.max(tab04[,1])
## A 
## 1
which.max(tab04[,2])
## B 
## 2

Para el rendimiento la mejor alternativa es la A

Para el riesgo la mejor alternativa es la B

Además del método de mayor autovalor, tambien tenemos:

Método de media geométrica

pes1 <- multicriterio.metodoAHP.variante2.mediageometrica(tab1)
pes2 <- multicriterio.metodoAHP.variante2.mediageometrica(tab2)
pes3 <- multicriterio.metodoAHP.variante2.mediageometrica(tab3)

Método básico

pes1 <- multicriterio.metodoAHP.variante3.basico(tab1)
pes2 <- multicriterio.metodoAHP.variante3.basico(tab2)
pes3 <- multicriterio.metodoAHP.variante3.basico(tab3)

Diagrama Jerarquias

num.alt <- 2
num.crt <- 2
Xmatriznivel2_04 <- array(NA, dim = c(num.alt, num.alt, num.crt))
Xmatriznivel2_04[,,1] <- tab2
Xmatriznivel2_04[,,2] <- tab3
dimnames(Xmatriznivel2_04)[[1]] <- c("A","B")
multicriterio.metodoahp.diagrama(tab1, Xmatriznivel2_04)

La mejor decisión es la alternativa A (peso global del 61,11%)

Método ahp

library(ahp)
datos04 = Load("problema4.ahp")
Calculate(datos04)
Visualize(datos04)

Tabla solución (contribución total)

export_formattable(AnalyzeTable(datos04), file = "tablaahp104.png")

La mejor decisión es la alternativa A (peso global del 61,1%)

Tabla solución (pesos locales)

t2 = AnalyzeTable(datos04, variable = "priority")
export_formattable(t2, file = "tablaahp204.png")

EJERCICIO 5

Funciones de clase

Introducción datos

#matriz criterios
tab1 <- multicriterio.crea.matrizvaloraciones_mej(c(1/3,1/4,2), numalternativas = 3,
                                                  v.nombres.alternativas = c("Liderazgo", 
                                                                             "Habilidad personal", "Habilidad Gestión"))

#matriz liderazgo
tab2 <- multicriterio.crea.matrizvaloraciones_mej(c(4), numalternativas = 2,
                                                  v.nombres.alternativas = c("A","B"))

#matriz habilidad personal
tab3 <- multicriterio.crea.matrizvaloraciones_mej(c(3), numalternativas = 2,
                                                  v.nombres.alternativas = c("A","B"))

#matriz habilidad gestión
tab4 <- multicriterio.crea.matrizvaloraciones_mej(c(2), numalternativas = 2,
                                                  v.nombres.alternativas = c("A","B"))

Cálculo pesos locales

Método mayor autovalor

pes1 <- multicriterio.metodoAHP.variante1.autovectormayorautovalor(tab1)
pes2 <- multicriterio.metodoAHP.variante1.autovectormayorautovalor(tab2)
pes3 <- multicriterio.metodoAHP.variante1.autovectormayorautovalor(tab3)
pes4 <- multicriterio.metodoAHP.variante1.autovectormayorautovalor(tab4)

Cálculo pesos globales

tab05 <- multicriterio.metodoAHP.pesosglobales_entabla(pes1$valoraciones.ahp,
                                                       rbind(pes2$valoraciones.ahp,
                                                             pes3$valoraciones.ahp, 
                                                             pes4$valoraciones.ahp))

La mejor decisión es la alternativa A (peso global del 72,63%)

which.max(tab05[,1])
## A 
## 1
which.max(tab05[,2])
## A 
## 1
which.max(tab05[,3])
## A 
## 1

Para el liderazgo la mejor alternativa es la A

Para la habilidad personal la mejor alternativa es la A

Para la habilidad gestión la mejor alternativa es la A

Además del método de mayor autovalor, tambien tenemos:

Método de media geométrica

pes1 <- multicriterio.metodoAHP.variante2.mediageometrica(tab1)
pes2 <- multicriterio.metodoAHP.variante2.mediageometrica(tab2)
pes3 <- multicriterio.metodoAHP.variante2.mediageometrica(tab3)
pes4 <- multicriterio.metodoAHP.variante2.mediageometrica(tab4)

Método básico

pes1 <- multicriterio.metodoAHP.variante3.basico(tab1)
pes2 <- multicriterio.metodoAHP.variante3.basico(tab2)
pes3 <- multicriterio.metodoAHP.variante3.basico(tab3)
pes4 <- multicriterio.metodoAHP.variante3.basico(tab4)

Diagrama Jerarquias

num.alt <- 2
num.crt <- 3
Xmatriznivel2_05 <- array(NA, dim = c(num.alt, num.alt, num.crt))
Xmatriznivel2_05[,,1] <- tab2
Xmatriznivel2_05[,,2] <- tab3
Xmatriznivel2_05[,,3] <- tab4
dimnames(Xmatriznivel2_05)[[1]] <- c("A","B")
dimnames(Xmatriznivel2_05)[[2]] <- c("A","B")
dimnames(Xmatriznivel2_05)[[3]] <- c("Liderazgo","Habilidad personal", "Habilidad gestión")
multicriterio.metodoahp.diagrama(tab1, Xmatriznivel2_05)

La mejor decisión es la alternativa A (peso global del 72,64%)

Método ahp

library(ahp)
datos05 = Load("problema5.ahp")
Calculate(datos05)
Visualize(datos05)

Tabla solución (contribución total)

export_formattable(AnalyzeTable(datos05), file = "tablaahp105.png")

La mejor decisión es la alternativa A (peso global del 72,6%)

Tabla solución (pesos locales)

t2 = AnalyzeTable(datos05, variable = "priority")
export_formattable(t2, file = "tablaahp205.png")

EJERCICIO 6

Funciones de clase

Introducción datos

#matriz criterios
n.criterios = c("Costo", "Confiabilidad", "Plazo Entrega")
tab1 <- multicriterio.crea.matrizvaloraciones_mej(c(7,9,3), numalternativas = 3,
                                                  v.nombres.alternativas = n.criterios)

#matriz costo
n.alternativas <- c("A","B","C")
tab2 <- multicriterio.crea.matrizvaloraciones_mej(c(1/3,6,8), numalternativas = 3,
                                                  v.nombres.alternativas = n.alternativas)

#matriz confiabilidad
tab3 <- multicriterio.crea.matrizvaloraciones_mej(c(6,2,1/3), numalternativas = 3,
                                                  v.nombres.alternativas = n.alternativas)

#matriz plazo entrega
tab4 <- multicriterio.crea.matrizvaloraciones_mej(c(8,1,1/8), numalternativas = 3,
                                                  v.nombres.alternativas = n.alternativas)

Método 1 (mayor autovalor)

Cálculo pesos locales

Método mayor autovalor

pes1 <- multicriterio.metodoAHP.variante1.autovectormayorautovalor(tab1)
pes2 <- multicriterio.metodoAHP.variante1.autovectormayorautovalor(tab2)
pes3 <- multicriterio.metodoAHP.variante1.autovectormayorautovalor(tab3)
pes4 <- multicriterio.metodoAHP.variante1.autovectormayorautovalor(tab4)

Cálculo pesos globales

tab06 <- multicriterio.metodoAHP.pesosglobales_entabla(pes1$valoraciones.ahp,
                                                       rbind(pes2$valoraciones.ahp,
                                                             pes3$valoraciones.ahp, 
                                                             pes4$valoraciones.ahp))

La mejor decisión es la alternativa B (peso global del 53,1%)

Además del método de mayor autovalor, tambien tenemos:

Método de media geométrica

pes1 <- multicriterio.metodoAHP.variante2.mediageometrica(tab1)
pes2 <- multicriterio.metodoAHP.variante2.mediageometrica(tab2)
pes3 <- multicriterio.metodoAHP.variante2.mediageometrica(tab3)
pes4 <- multicriterio.metodoAHP.variante2.mediageometrica(tab4)

Método básico

pes1 <- multicriterio.metodoAHP.variante3.basico(tab1)
pes2 <- multicriterio.metodoAHP.variante3.basico(tab2)
pes3 <- multicriterio.metodoAHP.variante3.basico(tab3)
pes4 <- multicriterio.metodoAHP.variante3.basico(tab4)

Método 2 (completo)

num.alt = 3
num.crt = 3
Xarray_nivel2 = array (NA, dim=c(num.alt, num.alt, num.crt))
Xarray_nivel2[,,1] = tab2
Xarray_nivel2[,,2] = tab3
Xarray_nivel2[,,3] = tab4
pg06com = multicriterio.metodoAHP.variante3.completo(tab1,Xarray_nivel2)
tab06_com <- pg06com$pesos.globales_entabla
Costo Confiabilidad Plazo Entrega Ponderadores Globales
0.2895238 0.6000000 0.4705882 0.3500206
0.6463492 0.1000000 0.0588235 0.5214694
0.0641270 0.3000000 0.4705882 0.1285099
Ponder.Criterios 0.7765920 0.1548978 0.0685102 NA

La mejor decisión es la alternativa B (peso global del 52,1%)

Diagrama Jerarquias

num.alt <- 3
num.crt <- 3
Xmatriznivel2_06 <- array(NA, dim = c(num.alt, num.alt, num.crt))
Xmatriznivel2_06[,,1] <- tab2
Xmatriznivel2_06[,,2] <- tab3
Xmatriznivel2_06[,,3] <- tab4
dimnames(Xmatriznivel2_06)[[1]] <- n.alternativas
multicriterio.metodoahp.diagrama(tab1, Xmatriznivel2_06)

La mejor decisión es la alternativa B (peso global del 53,15%)

Estudio de la inconsistencia con funciones R de clase.

Al ser matrices “3x3” hay que estudiar la inconsistencia

(inconsistencia1 <- multicriterio.metodoAHP.coef.inconsistencia(tab1))
## $lambda
## [1] 3.0803
## 
## $m
## [1] 3
## 
## $CI.coef.inconsistencia
## [1] 0.04014992
## 
## $CA.aleatorio
## [1] 0.58
## 
## $RI.coef.inconsistencia
## [1] 0.069224
## 
## $mensaje
## [1] "Consistencia aceptable"
inconsistencia2 <- multicriterio.metodoAHP.coef.inconsistencia(tab2)
c(inconsistencia2$mensaje,round(inconsistencia2$RI.coef.inconsistencia,4))
## [1] "Consistencia aceptable" "0.0634"
inconsistencia3 <- multicriterio.metodoAHP.coef.inconsistencia(tab3)
c(inconsistencia3$mensaje,round(inconsistencia3$RI.coef.inconsistencia,4))
## [1] "Consistencia aceptable" "0"
inconsistencia4 <- multicriterio.metodoAHP.coef.inconsistencia(tab4)
c(inconsistencia4$mensaje,round(inconsistencia4$RI.coef.inconsistencia,4))
## [1] "Consistencia aceptable" "0"

Método ahp

library(ahp)
datos06 = Load("problema6.ahp")
Calculate(datos06)
Visualize(datos06)

Tabla solución (contribución total)

export_formattable(AnalyzeTable(datos06), file = "tablaahp106.png")

La mejor decisión es la alternativa B (peso global del 53.1%)

Tabla solución (pesos locales)

t2 = AnalyzeTable(datos06, variable = "priority")
export_formattable(t2, file = "tablaahp206.png")

EJERCICIO 7

Iteración 1. Introducir datos y resolver

tab07 <- multicriterio.crea.matrizdecision(c(100,15,7,40,-50,
                                             200,25,7,60,-200,
                                             100,20,4,25,-25,
                                             200,30,20,70,-350,
                                             250,25,15,100,-500),
                                           numalternativas = 5,
                                           numcriterios = 5)
sal07 <- multicriterio.metodoELECTRE_I(tab07, 
                                       pesos.criterios = c(0.25,0.25,0.2,0.2,0.2),
                                       nivel.concordancia.minimo.alpha = 0.7,
                                       no.se.compensan = c(60, Inf, 4, Inf, Inf),
                                       que.alternativas = T) 

qgraph::qgraph(sal07$relacion.dominante)

sal07$nucleo_aprox
## a4 a5 
##  4  5

Iteración 2 y 3. Se reducen aleternativas y/o alpha

Para intentar quedarse con una única alternativa óptima:

  • reducir el grafo a las alternativas en el núcleo y/o

  • reducir el valor de alpha [0.5, 1)

sal07_2 <- multicriterio.metodoELECTRE_I(tab07, 
                                       pesos.criterios = c(0.25,0.25,0.2,0.2,0.2),
                                       nivel.concordancia.minimo.alpha = 0.7,
                                       no.se.compensan = c(60, Inf, 4, Inf, Inf),
                                       que.alternativas = c(4,5)) 

qgraph::qgraph(sal07_2$relacion.dominante)

sal07_2$nucleo_aprox
## a4 a5 
##  1  2
sal07_3 <- multicriterio.metodoELECTRE_I(tab07, 
                                       pesos.criterios = c(0.25,0.25,0.2,0.2,0.2),
                                       nivel.concordancia.minimo.alpha = 0.55,
                                       no.se.compensan = c(60, Inf, 4, Inf, Inf),
                                       que.alternativas = c(4,5)) 

qgraph::qgraph(sal07_3$relacion.dominante)

sal07_3$nucleo_aprox
## a4 
##  1

Obtenemos un único núcleo

Método ELECTRE I

elec_07 <- func_ELECTRE_Completo(sal07)
elec_07$Grafo
##   De A
## 1  2 1
## 2  2 3
## 3  4 1
## 4  4 2
## 5  4 3
## 6  5 1
## 7  5 2
## 8  5 3

Tenemos que: \(a_2Sa_1\), \(a_2Sa_3\), \(a_4Sa_1\), \(a_4Sa_3\), \(a_5Sa_1\), \(a_5Sa_3\)

qgraph::qgraph(elec_07$Grafo)

elec_07$Nucleo
## a4 a5 
##  4  5

Método PROMETHEE

pesos.criterios = c(0.25/1.1,0.25/1.1,0.2/1.1,0.2/1.1,0.2/1.1) #se divide entre la suma de los pesos totales

tab.fpref = matrix(c(1,0,0,0,
                      1,0,0,0,
                      1,0,0,0,
                      1,0,0,0,
                      1,0,0,0) ,ncol=4,byrow=T)

PROMETHEE I

tab.Pthee.i = multicriterio.metodo.promethee_i(tab07,pesos.criterios,tab.fpref)
tab.Pthee.i
## $tabla.indices
##           a1        a2        a3        a4        a5
## a1 0.0000000 0.1818182 0.3636364 0.1818182 0.1818182
## a2 0.6363636 0.0000000 0.8181818 0.1818182 0.1818182
## a3 0.4090909 0.1818182 0.0000000 0.1818182 0.1818182
## a4 0.8181818 0.5909091 0.8181818 0.0000000 0.5909091
## a5 0.8181818 0.5909091 0.8181818 0.4090909 0.0000000
## 
## $vflujos.ent
##        a1        a2        a3        a4        a5 
## 0.9090909 1.8181818 0.9545455 2.8181818 2.6363636 
## 
## $vflujos.sal
##        a1        a2        a3        a4        a5 
## 2.6818182 1.5454545 2.8181818 0.9545455 1.1363636 
## 
## $tablarelacionsupera
##     a1  a2  a3  a4  a5
## a1 0.5 0.0 0.0 0.0 0.0
## a2 1.0 0.5 1.0 0.0 0.0
## a3 0.0 0.0 0.5 0.0 0.0
## a4 1.0 1.0 1.0 0.5 1.0
## a5 1.0 1.0 1.0 0.0 0.5
require ("qgraph") 
## Loading required package: qgraph
qgraph(tab.Pthee.i$tablarelacionsupera)

PROMETHEE II

tab.Pthee.ii = multicriterio.metodo.promethee_ii(tab07,pesos.criterios,tab.fpref)
tab.Pthee.ii 
## $tabla.indices
##           a1        a2        a3        a4        a5
## a1 0.0000000 0.1818182 0.3636364 0.1818182 0.1818182
## a2 0.6363636 0.0000000 0.8181818 0.1818182 0.1818182
## a3 0.4090909 0.1818182 0.0000000 0.1818182 0.1818182
## a4 0.8181818 0.5909091 0.8181818 0.0000000 0.5909091
## a5 0.8181818 0.5909091 0.8181818 0.4090909 0.0000000
## 
## $vflujos.netos
##         a1         a2         a3         a4         a5 
## -1.7727273  0.2727273 -1.8636364  1.8636364  1.5000000 
## 
## $tablarelacionsupera
##     a1  a2  a3  a4  a5
## a1 0.5 0.0 1.0 0.0 0.0
## a2 1.0 0.5 1.0 0.0 0.0
## a3 0.0 0.0 0.5 0.0 0.0
## a4 1.0 1.0 1.0 0.5 1.0
## a5 1.0 1.0 1.0 0.0 0.5
qgraph(tab.Pthee.ii$tablarelacionsupera)

PROMETHEE I (medias)

tab.Pthee.i_med = multicriterio.metodo.promethee_i_med(tab07,pesos.criterios,tab.fpref)
tab.Pthee.i_med
## $tabla.indices
##           a1        a2        a3        a4        a5
## a1 0.0000000 0.1818182 0.3636364 0.1818182 0.1818182
## a2 0.6363636 0.0000000 0.8181818 0.1818182 0.1818182
## a3 0.4090909 0.1818182 0.0000000 0.1818182 0.1818182
## a4 0.8181818 0.5909091 0.8181818 0.0000000 0.5909091
## a5 0.8181818 0.5909091 0.8181818 0.4090909 0.0000000
## 
## $vflujos.ent
##        a1        a2        a3        a4        a5 
## 0.2272727 0.4545455 0.2386364 0.7045455 0.6590909 
## 
## $vflujos.sal
##        a1        a2        a3        a4        a5 
## 0.6704545 0.3863636 0.7045455 0.2386364 0.2840909 
## 
## $tablarelacionsupera
##    a1 a2 a3 a4 a5
## a1  0  0  0  0  0
## a2  1  0  1  0  0
## a3  0  0  0  0  0
## a4  1  1  1  0  1
## a5  1  1  1  0  0
qgraph (tab.Pthee.i_med$tablarelacionsupera)

PROMETHEE II (medias)

tab.Pthee.ii_med = multicriterio.metodo.promethee_ii_med(tab07,pesos.criterios,tab.fpref)
tab.Pthee.ii_med
## $tabla.indices
##           a1        a2        a3        a4        a5
## a1 0.0000000 0.1818182 0.3636364 0.1818182 0.1818182
## a2 0.6363636 0.0000000 0.8181818 0.1818182 0.1818182
## a3 0.4090909 0.1818182 0.0000000 0.1818182 0.1818182
## a4 0.8181818 0.5909091 0.8181818 0.0000000 0.5909091
## a5 0.8181818 0.5909091 0.8181818 0.4090909 0.0000000
## 
## $vflujos.netos
##          a1          a2          a3          a4          a5 
## -0.44318182  0.06818182 -0.46590909  0.46590909  0.37500000 
## 
## $tablarelacionsupera
##    a1 a2 a3 a4 a5
## a1  0  0  1  0  0
## a2  1  0  1  0  0
## a3  0  0  0  0  0
## a4  1  1  1  0  1
## a5  1  1  1  0  0
qgraph (tab.Pthee.ii_med$tablarelacionsupera)

Ordenación final alternativas Mét. Promethee II (medias)

order(tab.Pthee.ii_med$vflujos.netos,decreasing = T)
## [1] 4 5 2 1 3

Comparativa Promethee II: sin medias y con medias

order(tab.Pthee.ii$vflujos.netos,decreasing = T)
## [1] 4 5 2 1 3
order(tab.Pthee.ii_med$vflujos.netos,decreasing = T)
## [1] 4 5 2 1 3

Resolución con Promethee Windows

res = multicriterio.metodo.promethee_windows(tab07, tab.fpref, pesos.criterios)
res = multicriterio.metodo.promethee_windows (tab07, tab.fpref, pesos.criterios,
fminmax = c("max", "max", "max", "max","min"))

res02 = multicriterio.metodo.promethee_windows_kableExtra(res)
res02$tabEscenario
Criterio1 Criterio2 Criterio3 Criterio4 Criterio5
Preferencias
Min/Max max max max max min
Pesos 0.227272727272727 0.227272727272727 0.181818181818182 0.181818181818182 0.181818181818182
Funciones Preferencias Usual (1) Usual (1) Usual (1) Usual (1) Usual (1)
Q: Indiferencia 0 0 0 0 0
P: Preferencia 0 0 0 0 0
S: Gausiano 0 0 0 0 0
Estadísticas
Minimo 100 15 4 25 25
Maximo 250 30 20 100 500
Media 170 23 10.6 59 225
Desviacion Tipica 60 5.1 5.95 25.77 180.28
Evaluaciones
a1 100 15 7 40 50
a2 200 25 7 60 200
a3 100 20 4 25 25
a4 200 30 20 70 350
a5 250 25 15 100 500 
res02$tabAcciones
Rango Phi Phi.mas Phi.menos
a4 1 0.4659 0.7045 0.2386
a5 2 0.3750 0.6591 0.2841
a2 3 0.0682 0.4545 0.3864
a1 4 -0.4432 0.2273 0.6705
a3 5 -0.4659 0.2386 0.7045 
rownames(res$Acciones)
## [1] "a4" "a5" "a2" "a1" "a3"

EJERCICIO 8

tab08 <- multicriterio.crea.matrizdecision(c(-80,90-6,-5.4,-8,5,
                                             -65,58,-2,-9.7,-1,1,
                                             -83,60,-4,-7.2,-4,7,
                                             -40,80,-10,-7.5,-7,10,
                                             -52,72,-6,-2.0,-3,8,
                                             -94,96,-7-3.6,-5,6),
                                           numalternativas=6,
                                           numcriterios=6,
                                           v.nombresalt=c('A1','A2','A3','A4','A5','A6'),
v.nombrescri=c('f1', 'f2','f3','f4', 'f5','f6'))
## Warning in matrix(vector_matporfilas, nrow = numalternativas, ncol =
## numcriterios, : data length [34] is not a sub-multiple or multiple of the
## number of rows [6]
pesos.criterios = c(1/6,1/6,1/6,1/6,1/6,1/6)
tab.fpref = matrix (c(2,10,1,0,
                      3,0,30,0,
                      5,0.5,5,0,
                      4,1,6,0,
                      1,0,1,0,
                      6,0,1,5),ncol=4,byrow=T) 
tab.fpref
##      [,1] [,2] [,3] [,4]
## [1,]    2 10.0    1    0
## [2,]    3  0.0   30    0
## [3,]    5  0.5    5    0
## [4,]    4  1.0    6    0
## [5,]    1  0.0    1    0
## [6,]    6  0.0    1    5

PROMETHEE I

tab.Pthee.i = multicriterio.metodo.promethee_i(tab08,pesos.criterios,tab.fpref)
tab.Pthee.i
## $tabla.indices
##           A1        A2         A3        A4        A5        A6
## A1 0.0000000 0.6404851 0.21481481 0.2259259 0.3333333 0.3333333
## A2 0.3333333 0.0000000 0.09444444 0.2111111 0.2574020 0.2144444
## A3 0.5833327 0.4074074 0.00000000 0.2739775 0.1777778 0.2033333
## A4 0.4943254 0.5629630 0.33333333 0.0000000 0.3333333 0.1700000
## A5 0.5240741 0.5000000 0.50000000 0.2722222 0.0000000 0.2848148
## A6 0.5000000 0.6555556 0.56296296 0.5740741 0.5000000 0.0000000
## 
## $vflujos.ent
##       A1       A2       A3       A4       A5       A6 
## 1.747893 1.110735 1.645829 1.893955 2.081111 2.792593 
## 
## $vflujos.sal
##       A1       A2       A3       A4       A5       A6 
## 2.435066 2.766411 1.705556 1.557311 1.601846 1.205926 
## 
## $tablarelacionsupera
##     A1  A2  A3  A4  A5  A6
## A1 0.5 1.0 0.0 0.0 0.0 0.0
## A2 0.0 0.5 0.0 0.0 0.0 0.0
## A3 0.0 1.0 0.5 0.0 0.0 0.0
## A4 1.0 1.0 1.0 0.5 0.0 0.0
## A5 1.0 1.0 1.0 0.0 0.5 0.0
## A6 1.0 1.0 1.0 1.0 1.0 0.5
require ("qgraph") 
qgraph(tab.Pthee.i$tablarelacionsupera)

PROMETHEE II

tab.Pthee.ii = multicriterio.metodo.promethee_ii(tab08,pesos.criterios,tab.fpref)
tab.Pthee.ii 
## $tabla.indices
##           A1        A2         A3        A4        A5        A6
## A1 0.0000000 0.6404851 0.21481481 0.2259259 0.3333333 0.3333333
## A2 0.3333333 0.0000000 0.09444444 0.2111111 0.2574020 0.2144444
## A3 0.5833327 0.4074074 0.00000000 0.2739775 0.1777778 0.2033333
## A4 0.4943254 0.5629630 0.33333333 0.0000000 0.3333333 0.1700000
## A5 0.5240741 0.5000000 0.50000000 0.2722222 0.0000000 0.2848148
## A6 0.5000000 0.6555556 0.56296296 0.5740741 0.5000000 0.0000000
## 
## $vflujos.netos
##          A1          A2          A3          A4          A5          A6 
## -0.68717304 -1.65567574 -0.05972679  0.33664418  0.47926472  1.58666667 
## 
## $tablarelacionsupera
##     A1  A2  A3  A4  A5  A6
## A1 0.5 1.0 0.0 0.0 0.0 0.0
## A2 0.0 0.5 0.0 0.0 0.0 0.0
## A3 1.0 1.0 0.5 0.0 0.0 0.0
## A4 1.0 1.0 1.0 0.5 0.0 0.0
## A5 1.0 1.0 1.0 1.0 0.5 0.0
## A6 1.0 1.0 1.0 1.0 1.0 0.5
qgraph(tab.Pthee.ii$tablarelacionsupera)

PROMETHEE I (medias)

tab.Pthee.i_med = multicriterio.metodo.promethee_i_med(tab08,pesos.criterios,tab.fpref)
tab.Pthee.i_med
## $tabla.indices
##           A1        A2         A3        A4        A5        A6
## A1 0.0000000 0.6404851 0.21481481 0.2259259 0.3333333 0.3333333
## A2 0.3333333 0.0000000 0.09444444 0.2111111 0.2574020 0.2144444
## A3 0.5833327 0.4074074 0.00000000 0.2739775 0.1777778 0.2033333
## A4 0.4943254 0.5629630 0.33333333 0.0000000 0.3333333 0.1700000
## A5 0.5240741 0.5000000 0.50000000 0.2722222 0.0000000 0.2848148
## A6 0.5000000 0.6555556 0.56296296 0.5740741 0.5000000 0.0000000
## 
## $vflujos.ent
##        A1        A2        A3        A4        A5        A6 
## 0.3495785 0.2221471 0.3291658 0.3787910 0.4162222 0.5585185 
## 
## $vflujos.sal
##        A1        A2        A3        A4        A5        A6 
## 0.4870131 0.5532822 0.3411111 0.3114622 0.3203693 0.2411852 
## 
## $tablarelacionsupera
##    A1 A2 A3 A4 A5 A6
## A1  0  1  0  0  0  0
## A2  0  0  0  0  0  0
## A3  0  1  0  0  0  0
## A4  1  1  1  0  0  0
## A5  1  1  1  0  0  0
## A6  1  1  1  1  1  0
qgraph (tab.Pthee.i_med$tablarelacionsupera)

PROMETHEE II (medias)

tab.Pthee.ii_med = multicriterio.metodo.promethee_ii_med(tab08,pesos.criterios,tab.fpref)
tab.Pthee.ii_med
## $tabla.indices
##           A1        A2         A3        A4        A5        A6
## A1 0.0000000 0.6404851 0.21481481 0.2259259 0.3333333 0.3333333
## A2 0.3333333 0.0000000 0.09444444 0.2111111 0.2574020 0.2144444
## A3 0.5833327 0.4074074 0.00000000 0.2739775 0.1777778 0.2033333
## A4 0.4943254 0.5629630 0.33333333 0.0000000 0.3333333 0.1700000
## A5 0.5240741 0.5000000 0.50000000 0.2722222 0.0000000 0.2848148
## A6 0.5000000 0.6555556 0.56296296 0.5740741 0.5000000 0.0000000
## 
## $vflujos.netos
##          A1          A2          A3          A4          A5          A6 
## -0.13743461 -0.33113515 -0.01194536  0.06732884  0.09585294  0.31733333 
## 
## $tablarelacionsupera
##    A1 A2 A3 A4 A5 A6
## A1  0  1  0  0  0  0
## A2  0  0  0  0  0  0
## A3  1  1  0  0  0  0
## A4  1  1  1  0  0  0
## A5  1  1  1  1  0  0
## A6  1  1  1  1  1  0
qgraph (tab.Pthee.ii_med$tablarelacionsupera)

Ordenación final alternativas Mét. Promethee II (medias)

order(tab.Pthee.ii_med$vflujos.netos,decreasing = T)
## [1] 6 5 4 3 1 2

Comparativa Promethee II: sin medias y con medias

order(tab.Pthee.ii$vflujos.netos,decreasing = T)
## [1] 6 5 4 3 1 2
order(tab.Pthee.ii_med$vflujos.netos,decreasing = T)
## [1] 6 5 4 3 1 2

Resolución con Promethee Windows

res = multicriterio.metodo.promethee_windows(tab08, tab.fpref, pesos.criterios)
res = multicriterio.metodo.promethee_windows (tab08, tab.fpref, pesos.criterios,
fminmax = c("min", "max", "min", "min","min","max"))

res02 = multicriterio.metodo.promethee_windows_kableExtra(res)
res02$tabEscenario
Criterio1 Criterio2 Criterio3 Criterio4 Criterio5 Criterio6
Preferencias
Min/Max min max min min min max
Pesos 0.166666666666667 0.166666666666667 0.166666666666667 0.166666666666667 0.166666666666667 0.166666666666667
Funciones Preferencias U-shape (2) V-shape (3) Linear (5) Level (4) Usual (1) Gaussian (6)
Q: Indiferencia 10 0 0.5 1 0 0
P: Preferencia 1 30 5 6 1 1
S: Gausiano 0 0 0 0 0 5
Estadísticas
Minimo -96 -10.6 2 -6 -10 -94
Maximo 80 84 9.7 8 80 84
Media -47.67 8.57 6.13 2.83 8.17 -41.67
Desviacion Tipica 58.5 33.87 2.4 4.6 32.25 59.01
Evaluaciones
A1 80 84 5.4 8 -5 -65
A2 -58 -2 9.7 1 -1 -83
A3 -60 -4 7.2 4 -7 -40
A4 -80 -10 7.5 7 -10 -52
A5 -72 -6 2 3 -8 -94
A6 -96 -10.6 5 -6 80 84 
res02$tabAcciones
Rango Phi Phi.mas Phi.menos
A6 1 0.3173 0.5585 0.2412
A5 2 0.0959 0.4162 0.3204
A4 3 0.0673 0.3788 0.3115
A3 4 -0.0119 0.3292 0.3411
A1 5 -0.1374 0.3496 0.4870
A2 6 -0.3311 0.2221 0.5533 
rownames(res$Acciones)
## [1] "A6" "A5" "A4" "A3" "A1" "A2"